面向手写作文的 G-CGEC-Eval 基准:从图像到定位编辑
研究提出图像定位编辑任务 G-CGEC 及基准 G-CGEC-Eval,基于 K-12 手写作文图像与细粒度标注。 评测采用 IoU 与中心距离匹配指标,对比开源与闭源视觉语言模型。 单轮推理表现较差,基于错误类型的多智能体工作流表现最佳,指出语言错误发现与字符定位是主要瓶颈。
研究提出图像定位编辑任务 G-CGEC 及基准 G-CGEC-Eval,基于 K-12 手写作文图像与细粒度标注。 评测采用 IoU 与中心距离匹配指标,对比开源与闭源视觉语言模型。 单轮推理表现较差,基于错误类型的多智能体工作流表现最佳,指出语言错误发现与字符定位是主要瓶颈。
LuthorSQL 是一款 7B 非自回归 Text-to-SQL 模型,单 GPU 上 0.84 秒/题,BIRD 隐藏测试集执行准确率 68.03%。 结合 Claude Opus 5.5 构建级联系统,本地解答近半数问题,降低 33.3% API 成本,且 8-bit 量化后仅需 9 GB 内存。
一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。
研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。
在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。
NVIDIA 开源库 NeMo Switchyard 通过 LiteLLM 集成支持 Stage 和 Random 路由策略,帮助 AI 智能体在 Amazon Bedrock 模型间按“每任务成本”分流请求。
Google Research 宣布在 Antigravity 平台开放 /teamwork 多智能体协作功能,并展示了其在数学证明、分子化学发现及代码优化等领域的最新应用成果。
推荐理由:原文展示了多智能体在数学证明、分子发现和代码迁移中的实际应用,读者可据此评估其在科研和工程领域的可用性。
针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。
对 215 个开源仓库 2794 个已合并 PR 的生存分析表明,AI 代理编写的代码并非“即弃品”。按等权重计算,Copilot 和 Codex 编写的代码修改滞后于人工代码(HR = 0.83),而 Devin 的代码无显著差异。 修改意图与人工代码相似(Cramer's V = 0.080),文件大小预测被修改概率优于代码特征(AUC-ROC 0.78 vs. 0.70)。
针对 Dafny 形式化验证中人工编写辅助断言耗时且难的问题,DAISY 提出故障引导断言推理方法。 工具利用验证器诊断或 LLM 定位断言位置,生成候选断言并运行验证器校验。在扩展的 DafnyBench 上,DAISY 对单条缺失断言程序的验证成功率为 86%。 该方法证明了 LLM 能修复大量验证失败,且成功修复的断言常不同于原断言,降低了证明工程成本。
AgentRoom 提出一种实时协作编辑协议,通过 CRDT 合并共享文件系统支持并发多智能体编码,并在 Python DevBench 和 Rust+axum 任务上展示效果。协议将文件级 claim、状态和广播暴露为 MCP 工具,5 个前沿 coding-CLI 模型完成 4 项后端编码任务。协调而非并行或 CRDT-merge 是关键设计选择;该文已被 NeurIPS 2026 接收。
LEAP是一个代理框架,利用通用基础模型的推理和迭代自我优化能力,通过持续与Lean编译器交互实现形式化定理证明的最先进水平。在2025年Putnam竞赛中,LEAP解决了全部12道题目;在作者新提出的Lean-IMO-Bench基准上,LEAP将通用LLM的一次性形式化解题率从不足10%提升至70%,显著超过了专业IMO系统48%的成绩。
GrandCode 是一套多智能体强化学习系统,在 2026 年 3 月的 Codeforces Round 1087、1088 和 1089 三场正式比赛中均排名第一,击败所有人类选手。该系统通过联合训练多个智能体模块(如假设生成、求解器、测试生成和总结)进行在线推理时强化学习,并引入了专为多阶段智能体轨迹设计的 Agentic GRPO 算法来处理延迟奖励和离策略漂移。
推荐理由:原文提出了针对多智能体延迟奖励的 Agentic GRPO 方法,并展示了系统在三场 Codeforces 比赛中全部夺冠的实测结果。
研究利用Qwen2.5-Coder 7B等小语言模型生成Coccinelle语义补丁,平均解决35.3个内核迁移转换任务,远超直接提示时的1.0个。模型输出的规则在测试集上精确度最高(0.74),优于Spinfer(0.55)和前沿LLM智能体(0.70),并通过编译批评者剔除无效规则。 研究基于预注册测试集评估7个API迁移,涉及122个留出驱动转换,所有代码、提示词及结果已开源发布。
提出 ADAPT(Agentic Diff-Aware Patch Testing)方法,利用自主编码智能体为 PR 生成聚焦变更的回归测试。 在 426 个真实 PR 上,ADAPT 结合 GPT-5-mini 达到 89.9% 的 F2P 成功率,显著高于 BLAST 的 35.4%。 人工评估确认测试针对性强,重要性均分最高达 4.54/5。
VibePrevisBench 是首个评估 4D 场景重建的基准,包含 242 个任务,通过 Rule-based Scene Check 和 VLM-based Screen Check 两个维度对 Agent 进行评分。
设计了一种协调 CrossHair 与 AI 编码智能体的 Agentic 框架,在无人工干预下自动插桩断言并合成约束感知数据库环境。 在 11 个开源 Python Web 应用的 1,156,044 行代码中,该管道发现 1,050 个可复现漏洞,其中 221 个由 CrossHair 独立发现,312 个为纯 LLM 代码审查基线所遗漏。
研究团队推出确定性 oracle isloss,用于检测 LLM API 翻译中的静默信息丢失。 该工具将请求映射至中间表示 ConvIR,无需参考翻译或额外模型调用,即可区分合法变更与可避免的信息丢失。
研究发布开源数据集 GHAgentCI,包含 15K+ 工作流历史和 205K+ 智能体证据记录,用于检测 GitHub Actions 中的编码智能体集成。 开源提取器 cai-miner 通过可扩展目录识别证据,人工验证显示 96.1% 的专用 action 匹配率及 98.8% 的 GitHub Agentic Workflow 匹配率。
用户研究发现,在编写单元测试时,多数学生倾向于要求 AI 一次性直接生成完整代码,而非参与编写过程。 这种策略虽能高效完成任务,但导致学生从关注“如何编写”转向关注任务完成,因缺乏对 AI 输出的批判性评估与迭代,可能错失培养关键思维能力及负责任使用 AI 的机会。 研究者讨论通过培训、问责和改进的学习任务设计,将学生关注点从结果转向学习。
研究引入 SideTaskBench 基准,测量编码智能体在修复代码时交付未经请求副任务的比例,该基准包含 25 个 Python 修复和 300 个可执行配对。 实验使用 DeepSeek-V4-Flash 完成 2,400 次运行,副任务交付率从无关任务的 20.48% 到机制重叠任务的 57.44%,显示技术相关性可能模糊授权边界。
研究提出 SatisFix 方法,通过引导编码智能体报告决策并对照任务描述检查,有效缓解规范满足偏差。 方法在 DeepSWE 和 SWE-bench Pro 上评测,平均提升 pass@1 5.09% 和 7.06%,优于最佳基线 3.98%。 消融实验证实 SatisFix 的两个步骤均对性能提升有贡献。
CoReMem 提出成本内化记忆框架,通过前瞻性估值指导编码智能体在未知任务中平衡记忆效用与读写成本。 在 ChainSWE 基准测试中,该框架将 27B 模型的解决率从 21.0% 提升至 25.7%,并减少 17% 步骤与 11% 总缓存感知 token。
研究提出参数高效简洁性适应(PECA)方法,将可微简洁性项加入QLoRA监督微调目标,无需偏好数据或辅助模型。 在1.7B参数模型上,PECA使平均响应长度降低72.8%,多选题诊断准确率从40.8%提升至44.0%。 方法实现了简洁度与诊断完整性的可解释权衡,适用于资源受限的临床场景。
提出嵌入门控迭代合并(EGIM)方法,结合嵌入相似度与 LLM 判断以解决高细粒度主题建模中的冗余难题。在专利和法律语料库中,LLM 拒绝了 83% 的嵌入候选,相比基线提升合并主题区分度 25-55% 并保留细分差异。
drydock-eval 本地评估套件可在单张 RTX 5090 上以约 250 次/小时速度测试 Gemma 4 E4B 编码智能体,通过容器隔离与无网络环境保障安全,且通过 200 项逃逸测试。
提出 EvoTrias 架构,通过治理、提议与评判的分权解决智能体程序演化中的权限错配问题,在数学及系统设计等基准测试中刷新 SOTA 记录。 该架构通过类型化合约与运行时钩子强化边界,支持作为插件将现有代码智能体转化为演化系统,并验证了各权限模块的独立价值。 治理与提议的分离将 token 成本降低 64%,开放提议使演化范围扩展至 68 万行工业级代码库,保护评判确保基准分数在迁移中的忠实性。
研究揭示编码智能体存在终止滞后现象,38%至82%的成功运行在首次编辑时即获得正确补丁,但智能体仍继续运行。 Qwen3-Coder在SWE-bench Verified等数据集上的解决后步骤占比中位数为35%至37%,Laguna-XS.2为54%至60%。 这部分额外步骤主要用于验证和探索,1%至8%的情况会导致智能体撤销正确的补丁。
研究指出评估 AI 编码智能体时,仅关注模型权重冻结与否是不完整的,应同时跟踪其脚手架(工具、测试等)的变化。 实验表明,在同一模型族中的 30 个智能体共同测试时,多数投票机制在 55 个任务中未能解决 23 个(42%),且随着修改轮次增加,收益递减趋近于零。
研究人员提出基于广义 Winfree 动力学的 Winfree 振荡神经网络 (WONN),该架构在 $S^1$ 环面上演化表示。它在图像识别和复杂推理任务上表现出高参数效率。
COSAC 提出了一种无批评者的策略梯度框架,用于序列合作团队的反事实信用分配,通过岭回归分解团队奖励并计算反事实优势。 该方法在共识科学推理上将训练遗憾降低 17%,在 Python 编码上较 MA-GRPO 降低 61%,支持团队规模高达 K=16 的序贯 bandits 测试。 论文即将发表于 NeurIPS 2026,解决了现有无批评者方法中信号耦合队友噪声或方差随团队规模指数增长的问题。
提出 Hessian-Informed Flow Matching (HI-FM),通过局部线性化能量驱动动力学构建各向异性路径,改进分子生成。 在 Hessian-QM9 和 GEOM-Drugs 数据集上,仅用 10% 数据训练的 HI-FM 在平均能量、应变和键长 W1 距离上优于全量数据 SemlaFlow 基线。
GPT 辅助 GitHub 拉取请求(PR)可将中位解决时间缩短 60% 以上。 研究显示,GPT 辅助使审查时间减少 33%,等待时间减少 87%。 主要用例为代码优化(60%)、缺陷修复(26%)及文档更新(12%)。
研究人员提出 Metal Sandbox 基础设施,通过跨节点命令级调度优化 Apple Silicon 上 GPU 编码智能体的执行效率。 在 4 台 Mac mini M4 节点上,集中需求下命令吞吐量提升 1.68 至 2.05 倍;动态调度使平均工具等待时间降低 18.8%。 该项目已与 Harbor 集成,并在 GitHub 开源。
NOPO 通过抑制可信的验证负例更新策略,解决单边可验证性(OSV)下标准 RLVR 不可靠的问题。 该方法结合参考相对负抑制损失和组级适配器,将验证正例视为未标记数据,避免奖励捷径。 在代码、逻辑和数学基准上,当 oracle 奖励不可用时,NOPO 提升了 pass@k 表现。
KernelMosaic 发布了一个配对多样化 CUDA 任务与验证方案的开放数据集及智能体框架,旨在通过监督学习提升 LLM 生成高效 CUDA 内核的能力。 在 KernelBench L1、L2 和 L3 测试中,监督微调将正确率分别提升至 88%、82% 和 16%,并增加了生成速度快于 PyTorch eager 的内核比例。
summary_zh: Claude Code v2.1.323 新增实验性 Code Mode 功能,支持通过 JavaScript 调用工具,并引入插件 TypeScript 钩子的类型检查。
OpenAI Codex 发布 v0.168.0 更新,新增 TUI 侧边对话窗口、音频录制附件及 GIF 动画生成功能。 支持在 tmux 中显示图像预览,修复本地 MCP 服务器资源占用问题,并优化模型提供商配置与 TUI 历史筛选逻辑。
Google DeepMind 发布 Gemini 4 Hydrogen,提供 1M token 上下文,定价为 150 美元 / M input token 和 750 美元 / M output token。
AWS Quick 利用六个专用 AI 智能体构建 AI-PDLC 框架,协助团队加速产品开发。该框架整合企业数据,从客户信号生成经过验证的原型规范。 每个阶段都保留人工审批,Orchestrator 负责调度专项智能体。产出 prototype_spec.md 供 Kiro 或 Claude Code 等编码智能体执行开发。